[论文解读] C-Net: A Reliable Convolutional Neural Network for Biomedical Image Classification

Hosein Barzekar, Zeyun Yu|arXiv (Cornell University)|Oct 30, 2020

AI in cancer detection参考文献 51被引用 4

一句话总结

本文提出C-Net，一种新颖的深度卷积神经网络，通过串联多个网络——外层、中层和内层——以提升生物医学图像分类性能。通过在外部和中层阶段使用六个特征提取网络，将输出馈送到内层分类器，C-Net在BreakHis数据集上实现了99.34%的平均准确率和99.52%的F1分数，在骨肉瘤数据集上实现了100%的精确率和零误分类，所有指标均优于先前模型。

ABSTRACT

Cancers are the leading cause of death in many countries. Early diagnosis plays a crucial role in having proper treatment for this debilitating disease. The automated classification of the type of cancer is a challenging task since pathologists must examine a huge number of histopathological images to detect infinitesimal abnormalities. In this study, we propose a novel convolutional neural network (CNN) architecture composed of a Concatenation of multiple Networks, called C-Net, to classify biomedical images. The model incorporates multiple CNNs including Outer, Middle, and Inner. The first two parts of the architecture contain six networks that serve as feature extractors to feed into the Inner network to classify the images in terms of malignancy and benignancy. The C-Net is applied for histopathological image classification on two public datasets, including BreakHis and Osteosarcoma. To evaluate the performance, the model is tested using several evaluation metrics for its reliability. The C-Net model outperforms all other models on the individual metrics for both datasets and achieves zero misclassification. This approach has the potential to be extended to additional classification tasks, as experimental results demonstrate utilizing extensive evaluation metrics.

研究动机与目标

• 为解决癌症诊断中组织病理学图像自动分类的准确性和可靠性挑战。
• 克服现有CNN架构在图像异质性、染色变异性以及低对比度或复杂组织结构中特征提取方面的局限性。
• 开发一种在多样化数据集、放大倍数和疾病类型下具有良好泛化能力的鲁棒深度学习模型。
• 使用超越准确率的综合指标集对模型进行评估，包括F1分数、马修斯相关系数（MCC）、精确率、召回率和特异性。
• 展示串联多网络架构在提升医学影像中特征提取和分类可靠性方面的潜力。

提出的方法

• C-Net采用分层架构，由三个主要组件构成：外层、中层和内层网络，其中外层和中层网络作为特征提取器。
• 外层和中层网络各自由六个并行的网络内网络（NIN）模块组成，可从输入的组织病理学图像中实现多尺度和多层级的特征提取。
• 外层和中层网络的特征被拼接后输入内层网络，由其完成良性和恶性肿瘤之间的最终二分类。
• 模型使用标准深度学习组件，如卷积层、批量归一化、ReLU激活函数和全局平均池化，训练采用交叉熵损失函数。
• 该架构在两个公开数据集上端到端训练：BreakHis（7,909张40X–400X放大倍数的乳腺癌图像）和骨肉瘤数据集（1,144张高分辨率1024×1024图像）。
• 评估通过多种指标进行，包括准确率、F1分数、马修斯相关系数（MCC）、精确率、召回率和特异性，以确保结果的稳健性和可靠性。

实验结果

研究问题

• RQ1 与标准深度CNN相比，串联多网络CNN架构是否能提升生物医学图像分析中的特征表示和分类性能？
• RQ2 在BreakHis数据集上，C-Net在不同放大倍数下的表现如何，特别是在召回率和F1分数方面？
• RQ3 与最先进模型相比，C-Net在BreakHis和骨肉瘤数据集上是否显著降低了误分类率？
• RQ4 使用多个并行特征提取器（外层和中层网络）是否能提升在多样化组织病理学成像条件下的鲁棒性和泛化能力？
• RQ5 所提出的架构是否能在具有挑战性的生物医学分类任务中实现接近完美的性能，例如在骨肉瘤图像中检测存活肿瘤？

主要发现

• C-Net在BreakHis数据集上实现了99.34%的平均准确率，比文献中报告的最高平均准确率高出1.71个百分点。
• 在BreakHis数据集上，模型实现了99.52%的平均F1分数，比此前最佳平均F1分数97.67%高出1.85个百分点。
• 在BreakHis数据集的40X和400X放大倍数下，模型实现了100%的召回率，表明未遗漏任何恶性病例。
• 在骨肉瘤数据集上，C-Net在两个分类类别（NCT vs VT 和 VT vs NT）中均实现了100%的精确率，所有类别平均精确率为98.25%。
• 在骨肉瘤数据集上，模型的特异性达到99.18%，比文献中报告的最佳结果高出5.35个百分点。
• C-Net在BreakHis的200X图像上实现了99.23%的MCC，为所有评估模型中的最高值，且在所有放大倍数下仅出现8次误分类，展现出极高的可靠性。